《DAY 2》

TL;DR 速讀重點

🚀 快速掌握本文精華

• LLM（Large Language Model） 已不只是聊天，還能規劃與行動
• LLM 的應用型態：
  1️⃣ Basic Q&A：單純問答，無外部知識
  2️⃣ RAG（檢索增強生成）：結合資料庫，答案更準確
  3️⃣ Agent：具備規劃與行動，能自主完成任務
• 代表應用：ChatGPT、Claude、Gemini、Copilot 等
• 下一步（Day 3）：AI 如何與外部世界互動（工具鏈與自動化）

前言：從聊天機器人到智慧助手 🤖

在 Day 1 我們談到生成式 AI 的創造力（GAN vs Diffusion）。
今天的主角則是 大型語言模型（LLM） —— 不只是單純回答問題，而是逐漸進化為 能規劃、能行動的智慧代理人（Agent）。

1. LLM 的基本角色：問答（Q&A） 💬

最早期的 LLM 應用就是 簡單問答：

• 使用者輸入問題 → 模型輸出答案
• 沒有外部知識支援，僅靠訓練時的語料生成回覆

📌 適合用於：客服自動回覆、FAQ 聊天機器人
⚠️ 缺點：知識可能過時，缺乏專業或即時性。

✨ 小結：Q&A 模式適合簡單互動，但不足以支撐專業與即時需求。

2. 檢索增強生成（RAG） 📚

RAG（Retrieval-Augmented Generation） 的關鍵在於：

• 引入 外部知識庫（例如公司內文件、網頁資料庫）
• 模型先檢索相關內容，再用 LLM 整合與生成答案

📊 流程圖：

應用場景：

• ⚖️ 法律文件查詢
• 🏥 醫學知識輔助
• 🏢 企業知識庫問答

✨ 小結：RAG 讓 LLM 答案更 準確、即時、可控，是企業應用的首選架構。

3. Agent 模式：LLM 的新境界 🧠

Agent（智慧代理人） 是 LLM 的進化形態。
它不只「回答」，還能 規劃步驟、呼叫工具、執行任務。

🔑 核心特色：

• 🎯 目標導向（Goal-Oriented）：理解需求
• 📝 規劃能力（Planning）：拆解任務
• 🔧 工具使用（Tool Use）：調用搜尋、API、程式碼等
• 🤖 自動化行動（Action-Based）：完成任務並回報

應用場景：

• 🔍 自動化研究助理（自動搜尋並彙整報告）
• 💬 智慧客服（跨系統調用 API）
• 📅 個人助理（安排行程、寄送郵件、產出文件）

4. LLM 三種應用模式對比 ⚖️

✨ 小結：Q&A 是基礎，RAG 是進化，而 Agent 是未來 —— AI 從回覆者走向行動者。

結語：從「回應」到「行動」 🚀

Day 2 帶大家走過 LLM 的三個階段：

• Q&A → RAG → Agent

延伸影片：GPT-5 正式發布！👁️Open AI 最強🫵免費開放、功能亮點、API 價格全解析 「博士級智慧 × 零門檻！」

👉 點我觀看影片

這正是我們今天使用 ChatGPT、Claude、Gemini、Copilot 時所見到的演進。
未來，LLM 不只會「回應」我們，更會 代表我們行動。

🔜 Day 3 預告：AI 與外部世界的互動 —— 工具鏈（Toolchain）與多模態（Multimodal）應用。

Hashtags

#大型語言模型 #LLM #RAG #AI代理人 #Agent #生成式AI #ChatGPT #Claude #Gemini #Copilot #AI應用